PART 09 / CHAPTER 31

31 · Semantic segmentation과 라벨

픽셀별 범주 분류와 객체 구분의 차이, 라벨과 손실함수를 배웁니다.

학습 목표: 픽셀별 범주 분류와 객체 구분의 차이, 라벨과 손실함수를 배웁니다.

준비: 실행 환경 · 도구와 용어. 예제 자료는 별도 표시가 없는 한 합성 자료입니다.

개념

Semantic segmentation은 각 픽셀에 녹지·건물·도로 같은 범주를 지정하는 작업입니다. 같은 범주의 개별 나무를 각각 구별하는 instance segmentation과 다릅니다. 라벨은 학습·평가에 쓰는 참조 분류이고, logits는 모델이 출력한 정규화 전 범주 점수입니다.

scikit-image는 영상 처리 라이브러리입니다. measure.label은 연결된 영역에 번호를 붙여 후처리할 수 있지만 붙어 있는 개별 수목을 저절로 분리해 주는 것은 아닙니다.

왜 필요한가

조경 분석에서 '녹지 총면적'과 '나무 개체 수'는 다른 산출물입니다. 라벨 정의를 먼저 정하지 않으면 학습 목표와 최종 지표가 어긋납니다.

핵심 API

CrossEntropyLoss 입력은 보통 (N,C,H,W) float logits, 목표는 (N,H,W) long 범주 ID입니다. ignore_index는 평가 불가 셀을 제외합니다. loss 전에 softmax를 적용하지 않습니다.

최소 실행 예제

import numpy as np
import torch
from torch import nn
from skimage.measure import label, regionprops

logits = torch.tensor([[[[3.,1.],[1.,2.]],
                        [[1.,3.],[4.,1.]]]], requires_grad=True)
target = torch.tensor([[[0,1],[1,255]]], dtype=torch.long)
loss = nn.CrossEntropyLoss(ignore_index=255)(logits, target)
loss.backward()
prediction = logits.detach().argmax(dim=1)[0].numpy()
components = label(prediction == 1, connectivity=1)
areas = [int(region.area) for region in regionprops(components)]
assert np.array_equal(prediction, [[0,1],[1,0]])
assert areas == [1,1]
assert torch.isfinite(loss)
print("loss:", float(loss.detach()), "connected green pixel counts:", areas)

조경·도시 실무 예제

대각선으로만 맞닿은 두 셀은 4방향 연결에서 서로 다른 영역입니다. 실제 면적은 셀 수에 셀 면적을 곱해 계산합니다. 항공사진 시점과 라벨 시점이 다르면 신축·벌채 지점을 오답으로 만들 수 있습니다.

시각화와 결과 읽기

원본 영상, 정답 라벨, 예측 범주, 오류 마스크를 같은 범위로 배치합니다. 범주 색은 모든 지도에서 동일하게 유지합니다.

흔한 오류

라벨을 bilinear로 확대하면 범주가 섞입니다. ignore_index=255인 셀을 평가 분모에 넣지 않습니다. 연결 영역 개수를 곧바로 나무 수로 보고하지 않습니다.

연습문제

connectivity=2로 바꾸고 영역 수가 달라지는 이유를 설명하세요.

전체 예제 내려받기 · 실행: python chapter31.py

다음 단계

32 · U-Net의 구조와 작은 구현로 이어집니다.

출처

PyTorch CrossEntropyLoss, scikit-image measure. 확인 2026-09-30.